OFDM系统中基于弱选择ROMP算法的稀疏信道估计

为了解决实际OFDM通信系统中信道稀疏度未知的不足,提出将弱选择正则化正交匹配追踪算法用于估计稀疏信道。算法在不知晓信道稀疏度的情况下,对不同迭代残差与测量矩阵中原子的相关系数进行判定后,根据原子的弱选择准则灵活地确定出表示信道冲激响应的原子候选集,进而利用正则化原则从候选集中挑选出表示信道冲激响应的最优原子组,逐步实现精确重建。仿真结果和理论分析表明：与正则化正交匹配追踪算法相比,相同条件下改进算法可以获得更低的均方误差和误比特率;另外,算法无需将信道稀疏度作为先验信息,实用性更强。     

一种新的基于压缩感知的毫米波信道估计算法

针对传统稀疏重构算法需要信道稀疏度先验信息、复杂度高、不利于实际应用的问题，提出了一种新的基于波束空间分解的稀疏度自适应毫米波信道估计算法。该算法利用毫米波信道稀疏性的特点对信道进行波束空间分解，构造基于码本的感知矩阵，获得l1范数约束问题模型；其次结合分段弱匹配追踪算法，采用弱阈值从感知矩阵筛选原子，再通过分组选择机制对选择的原子进行二次优化；最后根据最小二乘法估计出毫米波信道。仿真结果表明，所提算法的估计精度和复杂度在低信噪比和低训练长度情况下明显优于传统匹配追踪算法。     

基于压缩感知的大规模MIMO下行信道状态信息获取

信道状态信息（Channel State Information,CSI）对于大规模多输入多输出（Multiple-Input Multiple-Output,MIMO）发挥高性能至关重要。但在上下行传输信道不存在互易性的频分双工（Frequency Division Duplex,FDD）制式下,若采用传统的信道估计方法会给CSI的获取带来巨大的导频开销和计算量。考虑利用大规模 MIMO 信道的虚角域稀疏性来减少获取CSI所需开销,在此基础上进一步研究了大规模 MIMO 正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统中各子载波信道在虚角域的共同稀疏特性和稀疏支撑集的时间相关特性,达到降低信道维度的目的,则大大减少了基站对 CSI 获取所需的资源开销。同时,为了降低信道稀疏支撑集信息获取所需的导频开销和提高信息的时效性,利用压缩感知技术对支撑集进行估计。仿真结果验证了所提方案性能的优越性。     

基于压缩感知超宽带信号盲稀疏度信道估计

鉴于超宽带（UWB）信道估计要求预先给出信道才能精确重构的不足,研究了 基于压缩感知的盲稀疏度匹配追踪类算法用于信道重建。这种盲稀疏度方法根据迭代终止条 件和字典中最优原子选择方式的不同,设置迭代终止阈值和阶段转换阈值,通过可变步长的 增大逐步逼近稀疏度,实现精确重建。仿真结果表明,相同条件下,基于此思想经过改进算 法可有效用于解决实际UWB信道估计,较改进前算法估计性能相当,是一种具有应用价值的 盲稀疏度重构方法。     

基于梳状导频的OFDM分组自适应比特装载与功率控制

无线通信环境中信道信息(ChannelStateInformation,CSI)随时间变化明显,需要不断地更新自适应比特装载和功率控制的策略。现有的OFDM自适应比特装载方法需要大量的信令来传递当前比特装载的策略,不适用于无线通信的应用环境。为此,本文针对OFDM系统的特征提出了一种利用插入梳状导频的信道估计得到的带有误差的信道信息,来完成自适应比特装载的算法。首先把OFDM子载波进行分组,然后利用基于梳状导频的信道估计对信道时变进行跟踪,使用即时获得的CS完成自适应比特装载算法。仿真实验证明,在保证算法简单、实用及保证要求的误码率(BER)性能的情况下,信道信令的开销低于传统算法的10%。     

应用加权高斯模型的非理想稀疏信道估计

在高速通信系统中,由于多径信道通常存在一些小的散射体,使得抽头向量不满足理想的稀疏特性,导致经典的稀疏估计算法存在一定的性能损失。针对上述非理想稀疏特性问题,提出了一种基于酉变换近似消息传递（Unitary Transform Approximate Message Passing,UT-AMP）和加权高斯（Weighting-Gaussian,WG）先验模型的稀疏估计算法。首先,由非理想稀疏信道的构造分析,导出了WG先验模型和参数;其次,利用贝叶斯公式对正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统进行因式分解和因子图建模,归纳了在消息传递框架内期望最大化（Expectation Maximization,EM）算法嵌入方式,推导了联合UT-AMP和EM的信道估计算法;最后,建立仿真环境对所提算法进行复杂度分析和数值仿真。仿真结果表明,所提算法能够以同阶复杂度实现信道估计性能和频带利用率的提升,具有很高的应用和推广价值。     

基于块稀疏度与自适应迭代的压缩感知方法

针对分块压缩感知算法在平滑块效应时损失了大量的细节纹理信息，从而影响图像的重构效果问题，提出了一种基于块稀疏信号的压缩感知重构算法。该算法先采用块稀疏度估计对信号的稀疏性做初步估计，通过对块稀疏度进行估算初始化阶段长，运用块矩阵与残差信号最匹配原则来选取支撑块，再运用自适应迭代计算实现对块稀疏信号的重构，较好地解决了浪费存储资源和计算量大的问题。实验结果表明，相比常用压缩感知方法，所提算法能明显减少运算时间，且能有效提高图像重构效果。     

一种适用于稀疏多径信道的自适应均衡算法

针对传统的自适应均衡算法在稀疏多径信道下性能表现不佳的问题,提出了一种基于基追踪降噪的自适应均衡算法。该算法利用稀疏多径信道下均衡器权值的稀疏性,将自适应均衡器的训练过程看作压缩感知理论中稀疏信号对字典的加权求和,并利用重构算法直接对稀疏权值进行求解,解决了迭代参数设置和收敛慢的问题。采用基追踪降噪作为重构算法并选用变量分离近似稀疏重构对该最优化问题进行求解,既提高了权值的重构精度又降低了计算的复杂度。仿真结果表明,所提算法能够以较低的计算量和较少的训练序列达到更优性能,这对提升系统的通信性能具有参考价值。     

一种新的MIMO-OFDM系统自适应快时变信道估计算法

为了能够获得较精确的快时变信道估计,利用模糊模型拟合快时变信道,提出了一种 新的信道估计算法。算法采用自适应技术进行导频子载波频域传输函数模型参数的识别,然 后通过插值拟合全部信道的频域传输函数。仿真结果表明,在系统多普勒频移小于0.1的情 况下,信道估计的MSE性能得到改善。     

基于隐训练序列的MIMO通信系统信道估计与跟踪

针对MIMO通信系统的信道估计与跟踪问题,提出了一种基于隐训练序列(ITS)的信道估计算法,分析了该算法的均方误差性能,给出了训练序列的优化方案.仿真表明,该算法与传统的最小二乘信道估计算法、预编码隐训练序列算法相比,具有估计精度高、计算量低、易于优化训练序列等特点,且算法不受接收端存在直流偏移的影响,其自适应结构能够很好地实现对快时变通信信道的跟踪,对解决电子战中快时变通信信道的捕获和跟踪问题具有一定的指导意义和应用价值.     

一种适用于强脉冲噪声下的对数型恒模盲均衡算法

针对脉冲噪声下恒模算法(Constant Modulus Algorithm,CMA)失败的问题,通过分析脉冲噪声的影响,提出了一种基于最小均方（Least Mean Square,LMS）准则的对数型恒模算法（Logarithmic-type CMA,LT-CMA）。LT-CMA利用对数函数的非线性变换特性自适应地抑制强脉冲噪声对误差函数的影响,并且利用l2-范数进行信号归一化处理以增强算法的稳健性。仿真结果表明,所提出的LT-CMA可以适应于高斯噪声环境和脉冲噪声环境;与经典自适应均衡算法相比,在收敛速度和稳健性两方面上,所提出的LT-CMA都有显著的提升。     

基于Kronecker积的无线通信系统参量分离方法

针对无线通信系统中发射机非线性与多径衰落信道问题，提出了一种根据接收无线信号联合估计无线设备功率放大器（PA）非线性与无线信道单位脉冲响应的方法。首先，根据通信帧训练符号及发射机非线性模型构造卷积矩阵；接着，采用一次最小二乘（LS），根据接收信号估计PA的非线性模型系数与实际发送符号；然后，再采用一次LS，得到无线信道的单位脉冲响应估计；两估计可迭代或直接加取平均进行积累。理论推导与实验结果显示，采用过采样技术，所提方法可应用于单载波或多载波通信，实现PA非线性与无线信道单位脉冲响应的有效分离。新方法在无线通信的物理层射频指纹认证与信号可靠传输中具有应用价值。     

转型期货币渠道与信贷渠道有效性的实证研究

本文运用基于VAR模型的时间序列分析方法对我国转型期货币渠道与信贷渠道的有效性进行了实证研究。脉冲响应函数分析表明产出和通货膨胀对贷款冲击的响应比其对货币供给冲击的响应更为显著,预测方差的分解结果证实贷款对产出和通货膨胀的贡献率均远远大于货币供给量的贡献率,故转型期内信贷渠道相对于货币渠道更为有效。因此,为增强货币政策的有效性,中央银行应同时监控货币和信贷指标,货币政策操作也要以有效调节私人部门的信贷可得量为基础。     

一种低复杂度聚类估计MLSE均衡器

给出了一种新的聚类估计最大似然序列均衡器(CBSE),避开了传统MLSE均衡需要估计信道脉冲响应(CIR)和卷积运算,由接收信号估计聚类中心,同时利用聚类中心之间的对称性,仅需估计其中部分中心,其余中心可通过简单运算获取,从而在缩短训练序列的同时减少了运算量.仿真表明,新方法在取得与RLS均衡器相近收敛性能的同时,计算量比LMS均衡器小.     

基于空谱特性的高光谱图像压缩感知重构

针对现有的高光谱图像压缩感知重构算法对图像的空谱特性利用不够充分,导致重构图像质量不够高的问题,提出了一种高光谱图像变投影率分块压缩感知结合优化谱间预测重构方案。编码端以频段聚类方式将高光谱图像的所有频段分成参考频段和普通频段,对不同频段单独采用不同精度分块压缩感知以获取高光谱数据。在解码端,参考频段直接采用稀疏度自适应匹配追踪(SAMP)算法重构,对于普通频段,则设计了一种优化谱间预测结合SAMP算法的新模型进行重构：首先通过重构的参考频段双向预测普通频段,并对其进行压缩投影,然后计算预测前后普通频段投影值的残差,最后利用SAMP算法重构该残差,以此修正预测值。实验表明,相比同类算法,该算法充分考虑了高光谱图像的空谱特性,有效改善了重构图像质量,且编码复杂度低,易于硬件实现。